CN111027387A - 人数评估及评估模型获取方法、装置及存储介质 - Google Patents
人数评估及评估模型获取方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111027387A CN111027387A CN201911094682.6A CN201911094682A CN111027387A CN 111027387 A CN111027387 A CN 111027387A CN 201911094682 A CN201911094682 A CN 201911094682A CN 111027387 A CN111027387 A CN 111027387A
- Authority
- CN
- China
- Prior art keywords
- encoder
- decoder
- image
- people
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了人数评估及评估模型获取方法、装置及存储介质,涉及人工智能领域,其中的人数评估方法可包括:获取待评估的第一图像;将第一图像输入预先训练得到的评估模型,评估模型中包括依次相连的M个编码器以及N个解码器,M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且M个编码器和N个解码器分别至少包括两种不同的输出特征尺寸;获取评估模型的输出结果,输出结果中包括每个解码器分别输出的热力图以及一个编码器输出的第一图像中的人数评估值;根据输出结果确定出第一图像中的人数。应用本申请所述方案,可提高评估结果的准确性等。
Description
技术领域
本申请涉及计算机应用领域,特别涉及人工智能领域的人数评估及评估模型获取方法、装置及存储介质。
背景技术
对于一些人流密度较大的区域,如机场、车站、广场、公园等,常因为人群过于密集而存在发生拥挤、踩踏等事件的隐患,对这些区域进行实时人数评估/统计,可有效避免此类事件的发生。
目前常用的人数评估方法包括基于检测的计数方法等,即可对图像中人体进行检测,然后统计检测框的总个数,但这种方式的准确性较低。
发明内容
有鉴于此,本申请提供了人数评估及评估模型获取方法、装置及存储介质。
一种人数评估方法,包括:
获取待评估的第一图像;
将所述第一图像输入预先训练得到的评估模型,所述评估模型中包括依次相连的M个编码器以及N个解码器,所述M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且所述M个编码器和所述N个解码器分别至少包括两种不同的输出特征尺寸;
获取所述评估模型的输出结果,所述输出结果中包括每个解码器分别输出的热力图以及一个编码器输出的所述第一图像中的人数评估值;
根据所述输出结果确定出所述第一图像中的人数。
根据本申请一优选实施例,所述将所述第一图像输入预先训练得到的评估模型之前,进一步包括:
对所述第一图像进行以下预处理:将所述第一图像缩放为预定尺寸,和/或,将所述第一图像中的各像素点的取值按预定方式进行调整。
根据本申请一优选实施例,所述M的取值为8,所述N的取值为5;
第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连;
且,所述第一解码器与所述第七编码器相连,所述第二解码器与所述第六编码器相连,所述第三解码器与所述第五编码器相连,所述第四解码器与所述第四编码器相连,所述第五解码器与所述第三编码器相连。
根据本申请一优选实施例,输出所述人数评估值的编码器包括:所述第八编码器。
根据本申请一优选实施例,所述根据所述输出结果确定出所述第一图像中的人数包括:
根据所述输出结果中的一个预定输出确定出所述第一图像中的人数,其中,若所述预定输出为一个热力图,则将所述热力图中的各像素点的取值相加,将相加之和作为所述热力图对应的人数评估值,将所述人数评估值作为确定出的所述第一图像中的人数,若所述预定输出为人数评估值,则将所述人数评估值作为确定出的所述第一图像中的人数;
或者,针对输出的每个热力图,分别将所述热力图中的各像素点的取值相加,将相加之和作为所述热力图对应的人数评估值,计算所有人数评估值的均值,将所述均值作为确定出的所述第一图像中的人数。
一种评估模型获取方法,包括:
获取作为训练数据的已知人数的第二图像;
获取所述第二图像对应的热力图,并将所述热力图缩放为评估模型所需的不同尺寸;
利用所述第二图像及所述热力图训练得到所述评估模型;所述评估模型中包括依次相连的M个编码器以及N个解码器,所述M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且所述M个编码器和所述N个解码器分别至少包括两种不同的输出特征尺寸;训练过程中,分别利用对应尺寸的热力图对各解码器的输出进行监督训练;所述评估模型的输出包括每个解码器分别输出的热力图以及一个编码器输出的人数评估值。
根据本申请一优选实施例,所述利用所述第二图像及所述热力图训练得到所述评估模型之前,进一步包括:
对所述第二图像进行以下预处理:将所述第二图像缩放为预定尺寸,和/或,将所述第二图像中的各像素点的取值按预定方式进行调整。
根据本申请一优选实施例,所述获取所述第二图像对应的热力图包括:
获取所述第二图像的标注结果,所述标注结果包括对所述第二图像中的每个人头位置分别进行的打点标注;
针对每个打点标注的人头位置,分别进行以下处理:构建一个与所述第二图像同等大小的二值图像,对于所述二值图像中的每个像素点,若所述像素点的位置为所述打点标注的人头位置,则将所述像素点的取值设置为1,否则,设置为0;以所述二值图像中取值为1的像素点为中心,利用预定高斯核进行模糊,得到所述打点标注的人头位置对应的真值图;
将各打点标注的人头位置对应的真值图求和累加,得到所述第二图像对应的热力图。
根据本申请一优选实施例,所述M的取值为8,所述N的取值为5;
第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连;
且,所述第一解码器与所述第七编码器相连,所述第二解码器与所述第六编码器相连,所述第三解码器与所述第五编码器相连,所述第四解码器与所述第四编码器相连,所述第五解码器与所述第三编码器相连。
根据本申请一优选实施例,输出所述人数评估值的编码器包括:所述第八编码器。
根据本申请一优选实施例,该方法进一步包括:训练过程中,在所述第八编码器和所述第一解码器之间、所述第一解码器和所述第二解码器之间、所述第二解码器和所述第三解码器之间、所述第三解码器和所述第四解码器之间以及所述第四解码器和所述第五解码器之间分别增加一致性约束。
一种人数评估装置,包括:第一获取单元以及人数评估单元;
所述第一获取单元,用于获取待评估的第一图像;
所述人数评估单元,用于将所述第一图像输入预先训练得到的评估模型,所述评估模型中包括依次相连的M个编码器以及N个解码器,所述M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且所述M个编码器和所述N个解码器分别至少包括两种不同的输出特征尺寸;获取所述评估模型的输出结果,所述输出结果中包括每个解码器分别输出的热力图以及一个编码器输出的所述第一图像中的人数评估值;根据所述输出结果确定出所述第一图像中的人数。
根据本申请一优选实施例,所述第一获取单元进一步用于,对所述第一图像进行以下预处理:将所述第一图像缩放为预定尺寸,和/或,将所述第一图像中的各像素点的取值按预定方式进行调整。
根据本申请一优选实施例,所述M的取值为8,所述N的取值为5;
第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连;
且,所述第一解码器与所述第七编码器相连,所述第二解码器与所述第六编码器相连,所述第三解码器与所述第五编码器相连,所述第四解码器与所述第四编码器相连,所述第五解码器与所述第三编码器相连。
根据本申请一优选实施例,输出所述人数评估值的编码器包括:所述第八编码器。
根据本申请一优选实施例,所述人数评估单元根据所述输出结果中的一个预定输出确定出所述第一图像中的人数,其中,若所述预定输出为一个热力图,则将所述热力图中的各像素点的取值相加,将相加之和作为所述热力图对应的人数评估值,将所述人数评估值作为确定出的所述第一图像中的人数,若所述预定输出为人数评估值,则将所述人数评估值作为确定出的所述第一图像中的人数;
或者,所述人数评估单元针对输出的每个热力图,分别将所述热力图中的各像素点的取值相加,将相加之和作为所述热力图对应的人数评估值,计算所有人数评估值的均值,将所述均值作为确定出的所述第一图像中的人数。
一种评估模型获取装置,包括:第二获取单元以及模型训练单元;
所述第二获取单元,用于获取作为训练数据的已知人数的第二图像,并获取所述第二图像对应的热力图,将所述热力图缩放为评估模型所需的不同尺寸;
所述模型训练单元,用于利用所述第二图像及所述热力图训练得到所述评估模型;所述评估模型中包括依次相连的M个编码器以及N个解码器,所述M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且所述M个编码器和所述N个解码器分别至少包括两种不同的输出特征尺寸;训练过程中,分别利用对应尺寸的热力图对各解码器的输出进行监督训练;所述评估模型的输出包括每个解码器分别输出的热力图以及一个编码器输出的人数评估值。
根据本申请一优选实施例,所述第二获取单元进一步用于,对所述第二图像进行以下预处理:将所述第二图像缩放为预定尺寸,和/或,将所述第二图像中的各像素点的取值按预定方式进行调整。
根据本申请一优选实施例,所述第二获取单元获取所述第二图像的标注结果,所述标注结果包括对所述第二图像中的每个人头位置分别进行的打点标注;针对每个打点标注的人头位置,分别进行以下处理:构建一个与所述第二图像同等大小的二值图像,对于所述二值图像中的每个像素点,若所述像素点的位置为所述打点标注的人头位置,则将所述像素点的取值设置为1,否则,设置为0,以所述二值图像中取值为1的像素点为中心,利用预定高斯核进行模糊,得到所述打点标注的人头位置对应的真值图;将各打点标注的人头位置对应的真值图求和累加,得到所述第二图像对应的热力图。
根据本申请一优选实施例,所述M的取值为8,所述N的取值为5;
第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连;
且,所述第一解码器与所述第七编码器相连,所述第二解码器与所述第六编码器相连,所述第三解码器与所述第五编码器相连,所述第四解码器与所述第四编码器相连,所述第五解码器与所述第三编码器相连。
根据本申请一优选实施例,输出所述人数评估值的编码器包括:所述第八编码器。
根据本申请一优选实施例,所述模型训练单元进一步用于,训练过程中,在所述第八编码器和所述第一解码器之间、所述第一解码器和所述第二解码器之间、所述第二解码器和所述第三解码器之间、所述第三解码器和所述第四解码器之间以及所述第四解码器和所述第五解码器之间分别增加一致性约束。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:可利用训练得到的评估模型来评估图像中的人数,从而相比于现有方式提高了评估结果的准确性,而且,可基于不同尺寸的图像特征来进行人数的评估,且每个解码器均可利用到所有编码阶段的图像多尺度特征,从而进一步提高了评估结果的准确性;在人数评估和评估模型获取阶段,可分别对输入评估模型的图像进行预处理,如将图像缩放为预定尺寸和/或将图像中的各像素点的取值按预定方式进行调整等,从而提升了人数评估效果和模型训练效果;在评估模型的训练过程中,还可在每对相邻的输出之间增加一致性约束,从而可将两个输出的差值绝对值向零映射,使得二者尽可能接近,进而进一步提升了模型训练效果等;本申请所述方案可适用于各种场景,如可实时输出监控视频图像中的人数,从而能够有效地预防拥挤、踩踏等危险事件的发生等;上述可选方式所具有的其它效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请所述待评估的图像的示意图;
图2为本申请所述评估模型获取方法实施例的流程图;
图3为本申请所述评估模型的结构示意图;
图4为本申请所述人数评估方法实施例的流程图;
图5为本申请所述人数评估装置500实施例的组成结构示意图;
图6为本申请所述评估模型获取装置600实施例的组成结构示意图;
图7为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
针对现有技术中的问题,本申请中提出了一种改进后的人数评估方式,可将实时获取到的监控视频图像等作为待评估的图像,如图1所示,图1为本申请所述待评估的图像的示意图,可利用预先训练得到的评估模型评估出图像中的人数,评估模型可利用作为训练数据的图像训练得到,为便于表述,以下实施例中将待评估的图像称为第一图像,将作为训练数据的图像称为第二图像。以下首先对评估模型的获取方式进行说明。
图2为本申请所述评估模型获取方法实施例的流程图。如图2所示,包括以下具体实现方式。
在201中,获取作为训练数据的已知人数的第二图像。
在202中,获取第二图像对应的热力图,并缩放为评估模型所需的不同尺寸。
在203中,利用第二图像及热力图训练得到评估模型;评估模型中包括依次相连的M个编码器以及N个解码器,M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且M个编码器和N个解码器分别包括至少两种不同的输出特征尺寸;训练过程中,分别利用对应尺寸的热力图对各解码器的输出进行监督训练;评估模型的输出包括每个解码器分别输出的热力图以及一个编码器输出的人数评估值。
优选地,对于获取到的第二图像,还可对其进行预处理,如可包括:将第二图像缩放为预定尺寸,和/或,将第二图像中的各像素点的取值按预定方式进行调整。
将第二图像缩放为预定尺寸可以是指将第二图像缩放为768*576的尺寸等,具体尺寸可根据实际需要而定。
将第二图像中的各像素点的取值按预定方式进行调整可包括:
a)将第二图像中的各像素点的RGB值分别归一化为0-1之间。
b)将第二图像中的各像素点的RGB值分别减去对应的预定值。
对应的预定值可为[0.485,0.456,0.406],即对于任一像素点,可将其R值减去0.485,将其G值减去0.456,将其B值减去0.406。所述预定值可为经验值或为由ImageNet大规模通用图像数据集整体数据平均得到的均值。
c)将第二图像中的各像素点的RGB值分别除以对应的预定值。
对应的预定值可为[0.229,0.224,0.225],即对于任一像素点,可将其R值除以0.229,将其G值除以0.224,将其B值除以0.225。所述预定值可为经验值或为由ImageNet大规模通用图像数据集整体数据统计得到的方差。
在实际应用中,可不执行b)和c),也可任选一个或全部两个执行。通过b)和c)中的处理,可将RGB值的均值拉到0附近等,从而可提升后续数据处理的灵敏度等。
通过对第二图像进行预处理,可使得第二图像更加符合模型训练要求,从而可提升模型训练效果等。
针对第二图像,还需要获取其对应的热力图,获取方式可包括:获取第二图像的标注结果,所述标注结果包括对第二图像中的每个人头位置分别进行的打点标注(每个人头分别用一个点标注);针对每个打点标注的人头位置,分别进行以下处理:构建一个与第二图像同等大小的二值图像,对于二值图像中的每个像素点,若该像素点的位置为该打点标注的人头位置,则将该像素点的取值设置为1,否则,设置为0;以该二值图像中取值为1的像素点为中心,利用预定高斯核进行模糊,得到该打点标注的人头位置对应的真值图(GroundTruth);将各打点标注的人头位置对应的真值图求和累加,得到第二图像对应的热力图。
可通过人工方式,分别对第二图像中的每个人头位置进行打点标注,每个人头均对应一个点。
假设第二图像中共有20个人头,相应地,则有20个打点标注的人头位置,为便于表述,分别称为打点标注的人头位置1-打点标注的人头位置20,以打点标注的人头位置1为例,可构建一个与第二图像同等大小的二值图像,对于二值图像中的每个像素点,若该像素点的位置为打点标注的人头位置1,则可将该像素点的取值设置为1,否则,设置为0,这样处理后,该二值图像中仅有一个像素点取值为1,其它均为0,以该取值为1的像素点为中心,利用预定高斯核进行模糊,从而可得到打点标注的人头位置1对应的真值图,按照类似的方式,可分别得到打点标注的人头位置2-打点标注的人头位置20分别对应的真值图,进而可将打点标注的人头位置1-打点标注的人头位置20分别对应的真值图求和累加,从而可得到第二图像对应的热力图。
所述高斯核具体为何种高斯核可根据实际需要而定。进行模糊的本质就是作卷积处理,一个高斯核相当于一个卷积核,对二值图像对应的二值矩阵作卷积,即可得到对应的真值图。真值图与对应的二值图像同等大小,只是其中不再只有0和1两种取值,而是会有一些0-1之间的取值,相当于将1推平到四周的小范围内,从而增强了标注的鲁棒性等。
对于获取到的热力图,还需要将其缩放为评估模型所需的不同尺寸,以满足不同输出的监督需求。
本申请中所述的评估模型可为混合多尺度编码解码器的U型网络(H-Unet,HybridScale-Aware Unet)模型。图3为本申请所述评估模型的结构示意图,如图3所示,评估模型中包括依次相连的8个编码器以及5个解码器,8个编码器分别为第一编码器(E1)、第二编码器(E2)、第三编码器(E3)、第四编码器(E4)、第五编码器(E5)、第六编码器(E6)、第七编码器(E7)和第八编码器(E8),E代表encoder,5个解码器分别为第一解码器(D1)、第二解码器(D2)、第三解码器(D3)、第四解码器(D4)及第五解码器(D5),D代表decoder,而且,第一解码器还与第七编码器相连,第二解码器还与第六编码器相连,第三解码器还与第五编码器相连,第四解码器还与第四编码器相连,第五解码器还与第三编码器相连。
图3所示各编码器和各解码器的输出特征尺寸及组成结构可分别如下表所示:
表一各编码器和各解码器的输出特征尺寸及组成结构
如表一所示,其中的第一列表示图3中的各编码器(E1-E8)和各解码器(D1-D5),第二列表示输出特征尺寸,H和W分别表示输入评估模型的第二图像的高和宽,第三列表示组成结构信息,即编码器和解码器内卷积层信息,有多少行即代表有多少个级联的卷积层,格式为输出通道数-卷积核大小-卷积步长,以E5为例,包括三个级联的卷积层,并以conv256-3-1为例,输出通道数为256,卷积核大小为3,卷积步长为1。
本申请所述评估模型可确保每个解码器均可利用到所有编码阶段的图像多尺度特征,无论是否与其直接相连接。
评估模型的输出包括每个解码器分别输出的热力图以及一个编码器输出的人数评估值。具体地,每个解码器分别引出一个独立的网络输出,即图3中不同Loss位置,对应于不同尺寸的热力图,训练过程中,可分别利用对应尺寸的热力图对各解码器的输出进行监督训练。如图3所示,第八编码器也可引出一个网络输出,用于输出人数评估值。
为了保证不同输出所评估的人数尽可能一致,还可在每对相邻的输出之间增加一个一致性约束(CSC,Cross-Scale Consistency),即在训练过程中,可在第八编码器和第一解码器之间、第一解码器和第二解码器之间、第二解码器和第三解码器之间、第三解码器和第四解码器之间以及第四解码器和第五解码器之间分别增加一致性约束,从而可将两个输出的差值绝对值向零映射,使得二者尽可能接近,进而提升模型训练效果等。
获取到的第二图像对应的热力图被缩放到与各解码器的输出相匹配的尺寸,并经过损失函数得到对应分支的损失及梯度,利用反向梯度传播进行训练。所述损失函数可为均方损失函数(MSE Loss)。
训练得到评估模型之后,即可利用评估模型来进行实际的人数评估。
图4为本申请所述人数评估方法实施例的流程图。如图4所示,包括以下具体实现方式。
在401中,获取待评估的第一图像。
在402中,将第一图像输入预先训练得到的评估模型,评估模型中包括依次相连的M个编码器以及N个解码器,M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且M个编码器和N个解码器分别至少包括两种不同的输出特征尺寸。
在403中,获取评估模型的输出结果,输出结果中包括每个解码器分别输出的热力图以及一个编码器输出的第一图像中的人数评估值。
在404中,根据输出结果确定出第一图像中的人数。
优选地,在将第一图像输入预先训练得到的评估模型之前,还可先对第一图像进行以下预处理:将第一图像缩放为预定尺寸,和/或,将第一图像中的各像素点的取值按预定方式进行调整。
将第一图像缩放为预定尺寸可以是指将第一图像缩放为768*576的尺寸等,具体尺寸可根据实际需要而定。
将第一图像中的各像素点的取值按预定方式进行调整可包括:
a)将第一图像中的各像素点的RGB值分别归一化为0-1之间。
b)将第一图像中的各像素点的RGB值分别减去对应的预定值。
对应的预定值可为[0.485,0.456,0.406]。
c)将第一图像中的各像素点的RGB值分别除以对应的预定值。
对应的预定值可为[0.229,0.224,0.225]。
在实际应用中,可不执行b)和c),也可任选一个或全部两个执行。
优选地,M的取值为8,N的取值为5。第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连,且,第一解码器与第七编码器相连,第二解码器与第六编码器相连,第三解码器与第五编码器相连,第四解码器与第四编码器相连,第五解码器与第三编码器相连。另外,输出第一图像中的人数评估值的编码器可为第八编码器。
在得到每个解码器分别输出的热力图以及第八编码器输出的人数评估值之后,可根据输出结果最终确定出第一图像中的人数。
具体地,可根据输出结果中的一个预定输出确定出第一图像中的人数,其中,若预定输出为一个热力图,可将该热力图中的各像素点的取值相加,将相加之和作为该热力图对应的人数评估值,将该人数评估值作为确定出的第一图像中的人数,若预定输出为人数评估值,可直接将该人数评估值作为确定出的第一图像中的人数。或者,针对输出的每个热力图,可分别将该热力图中的各像素点的取值相加,将相加之和作为该热力图对应的人数评估值,计算所有人数评估值的均值,将均值作为确定出的第一图像中的人数。
比如,可将第五解码器对应的输出作为预定输出,将第五解码器对应的热力图中的各像素点的取值相加,将相加之和作为该热力图对应的人数评估值,将该人数评估值作为确定出的第一图像中的人数。再比如,可按照上述方式分别获取到第一解码器、第二解码器、第三解码器、第四解码器和第五解码器对应的人数评估值,加上第八编码器输出的人数评估值,共可得到6个人数评估值,可计算这6个人数评估值的均值,将均值作为确定出的第一图像中的人数。
在热力图中,越高亮的区域可以理解为包含人体的概率越高,本申请中以人的头部为目标对象,因此热力图的高亮区域主要集中在人群的头部范围。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图5为本申请所述人数评估装置500实施例的组成结构示意图。如图5所示,包括:第一获取单元501以及人数评估单元502。
第一获取单元501,用于获取待评估的第一图像。
人数评估单元502,用于将第一图像输入预先训练得到的评估模型,评估模型中包括依次相连的M个编码器以及N个解码器,M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且M个编码器和N个解码器分别至少包括两种不同的输出特征尺寸;获取评估模型的输出结果,输出结果中包括每个解码器分别输出的热力图以及一个编码器输出的第一图像中的人数评估值;根据输出结果确定出第一图像中的人数。
第一获取单元501针对获取到的第一图像,还可对其进行以下预处理:将第一图像缩放为预定尺寸,和/或,将第一图像中的各像素点的取值按预定方式进行调整。
优选地,M的取值为8,N的取值为5。第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连,且,第一解码器与第七编码器相连,第二解码器与第六编码器相连,第三解码器与第五编码器相连,第四解码器与第四编码器相连,第五解码器与第三编码器相连。其中,输出人数评估值的编码器可为第八编码器。
人数评估单元502可根据输出结果中的一个预定输出确定出第一图像中的人数,其中,若预定输出为一个热力图,可将该热力图中的各像素点的取值相加,将相加之和作为该热力图对应的人数评估值,将该人数评估值作为确定出的第一图像中的人数,若预定输出为人数评估值,可直接将该人数评估值作为确定出的第一图像中的人数。或者,人数评估单元502可针对输出的每个热力图,分别将该热力图中的各像素点的取值相加,将相加之和作为该热力图对应的人数评估值,计算所有人数评估值的均值,将均值作为确定出的第一图像中的人数。
图6为本申请所述评估模型获取装置600实施例的组成结构示意图。如图6所示,包括:第二获取单元601以及模型训练单元602。
第二获取单元601,用于获取作为训练数据的已知人数的第二图像,并获取第二图像对应的热力图,将热力图缩放为评估模型所需的不同尺寸。
模型训练单元602,用于利用第二图像及热力图训练得到评估模型;评估模型中包括依次相连的M个编码器以及N个解码器,M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且M个编码器和N个解码器分别至少包括两种不同的输出特征尺寸;训练过程中,分别利用对应尺寸的热力图对各解码器的输出进行监督训练;评估模型的输出包括每个解码器分别输出的热力图以及一个编码器输出的人数评估值。
第二获取单元601针对获取到的第二图像,还可对其进行以下预处理:将第二图像缩放为预定尺寸,和/或,将第二图像中的各像素点的取值按预定方式进行调整。
另外,第二获取单元601可按照以下方式获取第二图像对应的热力图:获取第二图像的标注结果,标注结果包括对第二图像中的每个人头位置分别进行的打点标注;针对每个打点标注的人头位置,分别进行以下处理:构建一个与第二图像同等大小的二值图像,对于二值图像中的每个像素点,若该像素点的位置为该打点标注的人头位置,则将该像素点的取值设置为1,否则,设置为0,以二值图像中取值为1的像素点为中心,利用预定高斯核进行模糊,得到该打点标注的人头位置对应的真值图;将各打点标注的人头位置对应的真值图求和累加,得到第二图像对应的热力图。
优选地,M的取值为8,N的取值为5。第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连,且,第一解码器与第七编码器相连,第二解码器与第六编码器相连,第三解码器与第五编码器相连,第四解码器与第四编码器相连,第五解码器与第三编码器相连。其中,输出人数评估值的编码器可为第八编码器。
另外,在训练过程中,模型训练单元602还可在第八编码器和第一解码器之间、第一解码器和第二解码器之间、第二解码器和第三解码器之间、第三解码器和第四解码器之间以及第四解码器和第五解码器之间分别增加一致性约束。
图5和图6所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本申请所述方案,可利用训练得到的评估模型来评估图像中的人数,从而相比于现有方式提高了评估结果的准确性,而且,可基于不同尺寸的图像特征来进行人数的评估,且每个解码器均可利用到所有编码阶段的图像多尺度特征,从而进一步提高了评估结果的准确性;在人数评估和评估模型获取阶段,可分别对输入评估模型的图像进行预处理,如将图像缩放为预定尺寸和/或将图像中的各像素点的取值按预定方式进行调整等,从而提升了人数评估效果和模型训练效果;在评估模型的训练过程中,还可在每对相邻的输出之间增加一致性约束,从而可将两个输出的差值绝对值向零映射,使得二者尽可能接近,进而进一步提升了模型训练效果等;本申请所述方案可适用于各种场景,如可实时输出监控视频图像中的人数,从而能够有效地预防拥挤、踩踏等危险事件的发生等。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器Y01、存储器Y02,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的方法对应的程序指令/模块(例如,附图X所示的xx模块X01、xx模块x02和xx模块x03)。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器Y02可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器Y02可选包括相对于处理器Y01远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,阴极射线管或者液晶显示器监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网、广域网和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (24)
1.一种人数评估方法,其特征在于,包括:
获取待评估的第一图像;
将所述第一图像输入预先训练得到的评估模型,所述评估模型中包括依次相连的M个编码器以及N个解码器,所述M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且所述M个编码器和所述N个解码器分别至少包括两种不同的输出特征尺寸;
获取所述评估模型的输出结果,所述输出结果中包括每个解码器分别输出的热力图以及一个编码器输出的所述第一图像中的人数评估值;
根据所述输出结果确定出所述第一图像中的人数。
2.根据权利要求1所述的方法,其特征在于,
所述将所述第一图像输入预先训练得到的评估模型之前,进一步包括:
对所述第一图像进行以下预处理:将所述第一图像缩放为预定尺寸,和/或,将所述第一图像中的各像素点的取值按预定方式进行调整。
3.根据权利要求1所述的方法,其特征在于,
所述M的取值为8,所述N的取值为5;
第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连;
且,所述第一解码器与所述第七编码器相连,所述第二解码器与所述第六编码器相连,所述第三解码器与所述第五编码器相连,所述第四解码器与所述第四编码器相连,所述第五解码器与所述第三编码器相连。
4.根据权利要求3所述的方法,其特征在于,
输出所述人数评估值的编码器包括:所述第八编码器。
5.根据权利要求1所述的方法,其特征在于,
所述根据所述输出结果确定出所述第一图像中的人数包括:
根据所述输出结果中的一个预定输出确定出所述第一图像中的人数,其中,若所述预定输出为一个热力图,则将所述热力图中的各像素点的取值相加,将相加之和作为所述热力图对应的人数评估值,将所述人数评估值作为确定出的所述第一图像中的人数,若所述预定输出为人数评估值,则将所述人数评估值作为确定出的所述第一图像中的人数;
或者,针对输出的每个热力图,分别将所述热力图中的各像素点的取值相加,将相加之和作为所述热力图对应的人数评估值,计算所有人数评估值的均值,将所述均值作为确定出的所述第一图像中的人数。
6.一种评估模型获取方法,其特征在于,包括:
获取作为训练数据的已知人数的第二图像;
获取所述第二图像对应的热力图,并将所述热力图缩放为评估模型所需的不同尺寸;
利用所述第二图像及所述热力图训练得到所述评估模型;所述评估模型中包括依次相连的M个编码器以及N个解码器,所述M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且所述M个编码器和所述N个解码器分别至少包括两种不同的输出特征尺寸;训练过程中,分别利用对应尺寸的热力图对各解码器的输出进行监督训练;所述评估模型的输出包括每个解码器分别输出的热力图以及一个编码器输出的人数评估值。
7.根据权利要求6所述的方法,其特征在于,
所述利用所述第二图像及所述热力图训练得到所述评估模型之前,进一步包括:
对所述第二图像进行以下预处理:将所述第二图像缩放为预定尺寸,和/或,将所述第二图像中的各像素点的取值按预定方式进行调整。
8.根据权利要求6所述的方法,其特征在于,
所述获取所述第二图像对应的热力图包括:
获取所述第二图像的标注结果,所述标注结果包括对所述第二图像中的每个人头位置分别进行的打点标注;
针对每个打点标注的人头位置,分别进行以下处理:构建一个与所述第二图像同等大小的二值图像,对于所述二值图像中的每个像素点,若所述像素点的位置为所述打点标注的人头位置,则将所述像素点的取值设置为1,否则,设置为0;以所述二值图像中取值为1的像素点为中心,利用预定高斯核进行模糊,得到所述打点标注的人头位置对应的真值图;
将各打点标注的人头位置对应的真值图求和累加,得到所述第二图像对应的热力图。
9.根据权利要求6所述的方法,其特征在于,
所述M的取值为8,所述N的取值为5;
第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连;
且,所述第一解码器与所述第七编码器相连,所述第二解码器与所述第六编码器相连,所述第三解码器与所述第五编码器相连,所述第四解码器与所述第四编码器相连,所述第五解码器与所述第三编码器相连。
10.根据权利要求9所述的方法,其特征在于,
输出所述人数评估值的编码器包括:所述第八编码器。
11.根据权利要求9所述的方法,其特征在于,
该方法进一步包括:训练过程中,在所述第八编码器和所述第一解码器之间、所述第一解码器和所述第二解码器之间、所述第二解码器和所述第三解码器之间、所述第三解码器和所述第四解码器之间以及所述第四解码器和所述第五解码器之间分别增加一致性约束。
12.一种人数评估装置,其特征在于,包括:第一获取单元以及人数评估单元;
所述第一获取单元,用于获取待评估的第一图像;
所述人数评估单元,用于将所述第一图像输入预先训练得到的评估模型,所述评估模型中包括依次相连的M个编码器以及N个解码器,所述M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且所述M个编码器和所述N个解码器分别至少包括两种不同的输出特征尺寸;获取所述评估模型的输出结果,所述输出结果中包括每个解码器分别输出的热力图以及一个编码器输出的所述第一图像中的人数评估值;根据所述输出结果确定出所述第一图像中的人数。
13.根据权利要求12所述的装置,其特征在于,
所述第一获取单元进一步用于,对所述第一图像进行以下预处理:将所述第一图像缩放为预定尺寸,和/或,将所述第一图像中的各像素点的取值按预定方式进行调整。
14.根据权利要求12所述的装置,其特征在于,
所述M的取值为8,所述N的取值为5;
第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连;
且,所述第一解码器与所述第七编码器相连,所述第二解码器与所述第六编码器相连,所述第三解码器与所述第五编码器相连,所述第四解码器与所述第四编码器相连,所述第五解码器与所述第三编码器相连。
15.根据权利要求14所述的装置,其特征在于,
输出所述人数评估值的编码器包括:所述第八编码器。
16.根据权利要求12所述的装置,其特征在于,
所述人数评估单元根据所述输出结果中的一个预定输出确定出所述第一图像中的人数,其中,若所述预定输出为一个热力图,则将所述热力图中的各像素点的取值相加,将相加之和作为所述热力图对应的人数评估值,将所述人数评估值作为确定出的所述第一图像中的人数,若所述预定输出为人数评估值,则将所述人数评估值作为确定出的所述第一图像中的人数;
或者,所述人数评估单元针对输出的每个热力图,分别将所述热力图中的各像素点的取值相加,将相加之和作为所述热力图对应的人数评估值,计算所有人数评估值的均值,将所述均值作为确定出的所述第一图像中的人数。
17.一种评估模型获取装置,其特征在于,包括:第二获取单元以及模型训练单元;
所述第二获取单元,用于获取作为训练数据的已知人数的第二图像,并获取所述第二图像对应的热力图,将所述热力图缩放为评估模型所需的不同尺寸;
所述模型训练单元,用于利用所述第二图像及所述热力图训练得到所述评估模型;所述评估模型中包括依次相连的M个编码器以及N个解码器,所述M和N均为大于一的正整数,且每个解码器分别与至少一个编码器相连,且所述M个编码器和所述N个解码器分别至少包括两种不同的输出特征尺寸;训练过程中,分别利用对应尺寸的热力图对各解码器的输出进行监督训练;所述评估模型的输出包括每个解码器分别输出的热力图以及一个编码器输出的人数评估值。
18.根据权利要求17所述的装置,其特征在于,
所述第二获取单元进一步用于,对所述第二图像进行以下预处理:将所述第二图像缩放为预定尺寸,和/或,将所述第二图像中的各像素点的取值按预定方式进行调整。
19.根据权利要求17所述的装置,其特征在于,
所述第二获取单元获取所述第二图像的标注结果,所述标注结果包括对所述第二图像中的每个人头位置分别进行的打点标注;针对每个打点标注的人头位置,分别进行以下处理:构建一个与所述第二图像同等大小的二值图像,对于所述二值图像中的每个像素点,若所述像素点的位置为所述打点标注的人头位置,则将所述像素点的取值设置为1,否则,设置为0,以所述二值图像中取值为1的像素点为中心,利用预定高斯核进行模糊,得到所述打点标注的人头位置对应的真值图;将各打点标注的人头位置对应的真值图求和累加,得到所述第二图像对应的热力图。
20.根据权利要求17所述的装置,其特征在于,
所述M的取值为8,所述N的取值为5;
第一编码器、第二编码器、第三编码器、第四编码器、第五编码器、第六编码器、第七编码器、第八编码器、第一解码器、第二解码器、第三解码器、第四解码器及第五解码器依次相连;
且,所述第一解码器与所述第七编码器相连,所述第二解码器与所述第六编码器相连,所述第三解码器与所述第五编码器相连,所述第四解码器与所述第四编码器相连,所述第五解码器与所述第三编码器相连。
21.根据权利要求20所述的装置,其特征在于,
输出所述人数评估值的编码器包括:所述第八编码器。
22.根据权利要求20所述的装置,其特征在于,
所述模型训练单元进一步用于,训练过程中,在所述第八编码器和所述第一解码器之间、所述第一解码器和所述第二解码器之间、所述第二解码器和所述第三解码器之间、所述第三解码器和所述第四解码器之间以及所述第四解码器和所述第五解码器之间分别增加一致性约束。
23.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,
所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094682.6A CN111027387B (zh) | 2019-11-11 | 2019-11-11 | 人数评估及评估模型获取方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094682.6A CN111027387B (zh) | 2019-11-11 | 2019-11-11 | 人数评估及评估模型获取方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027387A true CN111027387A (zh) | 2020-04-17 |
CN111027387B CN111027387B (zh) | 2023-09-26 |
Family
ID=70201236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911094682.6A Active CN111027387B (zh) | 2019-11-11 | 2019-11-11 | 人数评估及评估模型获取方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027387B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710008A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
CN111710009A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2704060A2 (en) * | 2012-09-03 | 2014-03-05 | Vision Semantics Limited | Crowd density estimation |
CN107330364A (zh) * | 2017-05-27 | 2017-11-07 | 上海交通大学 | 一种基于cGAN网络的人群计数方法及系统 |
CN107481260A (zh) * | 2017-06-22 | 2017-12-15 | 深圳市深网视界科技有限公司 | 一种区域人群滞留检测方法、装置和存储介质 |
CN108764085A (zh) * | 2018-05-17 | 2018-11-06 | 上海交通大学 | 基于生成对抗网络的人群计数方法 |
CN108876774A (zh) * | 2018-06-07 | 2018-11-23 | 浙江大学 | 一种基于卷积神经网络的人群计数方法 |
CN109214337A (zh) * | 2018-09-05 | 2019-01-15 | 苏州大学 | 一种人群统计方法、装置、设备及计算机可读存储介质 |
CN109492615A (zh) * | 2018-11-29 | 2019-03-19 | 中山大学 | 基于cnn低层语义特征密度图的人群密度估计方法 |
CN109543510A (zh) * | 2018-10-08 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 人流密度估计方法、装置和电子设备 |
US20190147584A1 (en) * | 2017-11-15 | 2019-05-16 | NEC Laboratories Europe GmbH | System and method for single image object density estimation |
CN109993269A (zh) * | 2019-03-13 | 2019-07-09 | 华南理工大学 | 基于注意力机制的单张图像人群计数方法 |
CN110059581A (zh) * | 2019-03-28 | 2019-07-26 | 常熟理工学院 | 基于场景深度信息的人群计数方法 |
CN110163140A (zh) * | 2019-05-15 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 人群密度图获取方法及装置 |
CN110245579A (zh) * | 2019-05-24 | 2019-09-17 | 北京百度网讯科技有限公司 | 人流密度预测方法及装置、计算机设备及可读介质 |
CN110378976A (zh) * | 2019-07-18 | 2019-10-25 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2019
- 2019-11-11 CN CN201911094682.6A patent/CN111027387B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2704060A2 (en) * | 2012-09-03 | 2014-03-05 | Vision Semantics Limited | Crowd density estimation |
CN107330364A (zh) * | 2017-05-27 | 2017-11-07 | 上海交通大学 | 一种基于cGAN网络的人群计数方法及系统 |
CN107481260A (zh) * | 2017-06-22 | 2017-12-15 | 深圳市深网视界科技有限公司 | 一种区域人群滞留检测方法、装置和存储介质 |
US20190147584A1 (en) * | 2017-11-15 | 2019-05-16 | NEC Laboratories Europe GmbH | System and method for single image object density estimation |
CN108764085A (zh) * | 2018-05-17 | 2018-11-06 | 上海交通大学 | 基于生成对抗网络的人群计数方法 |
CN108876774A (zh) * | 2018-06-07 | 2018-11-23 | 浙江大学 | 一种基于卷积神经网络的人群计数方法 |
CN109214337A (zh) * | 2018-09-05 | 2019-01-15 | 苏州大学 | 一种人群统计方法、装置、设备及计算机可读存储介质 |
CN109543510A (zh) * | 2018-10-08 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 人流密度估计方法、装置和电子设备 |
CN109492615A (zh) * | 2018-11-29 | 2019-03-19 | 中山大学 | 基于cnn低层语义特征密度图的人群密度估计方法 |
CN109993269A (zh) * | 2019-03-13 | 2019-07-09 | 华南理工大学 | 基于注意力机制的单张图像人群计数方法 |
CN110059581A (zh) * | 2019-03-28 | 2019-07-26 | 常熟理工学院 | 基于场景深度信息的人群计数方法 |
CN110163140A (zh) * | 2019-05-15 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 人群密度图获取方法及装置 |
CN110245579A (zh) * | 2019-05-24 | 2019-09-17 | 北京百度网讯科技有限公司 | 人流密度预测方法及装置、计算机设备及可读介质 |
CN110378976A (zh) * | 2019-07-18 | 2019-10-25 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
VARUN KANNADI VALLOLI等: "W-Net: Reinforced U-Net for Density Map Estimation" * |
ZAN SHEN等: "Crowd Counting via Adversarial Cross-Scale Consistency Pursuit" * |
陈思秦: "基于全卷积神经网络的人群计数" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710008A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
CN111710009A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111027387B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210224993A1 (en) | Method for training generative network, method for generating near-infrared image and device | |
CN110826507B (zh) | 人脸检测方法、装置、设备及存储介质 | |
CN111783948A (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN112287924B (zh) | 文本区域检测方法、装置、电子设备和计算机存储介质 | |
CN112241716B (zh) | 训练样本的生成方法和装置 | |
KR20220153667A (ko) | 특징 추출 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN111710008B (zh) | 人流密度的生成方法、装置、电子设备以及存储介质 | |
CN111027387A (zh) | 人数评估及评估模型获取方法、装置及存储介质 | |
CN114511661A (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
CN112668428A (zh) | 车辆变道的检测方法、路侧设备、云控平台和程序产品 | |
CN112001248A (zh) | 主动交互的方法、装置、电子设备和可读存储介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN112488126A (zh) | 特征图处理方法、装置、设备以及存储介质 | |
CN111696134A (zh) | 一种目标检测方法、装置以及电子设备 | |
CN111275827A (zh) | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 | |
CN113628311B (zh) | 图像渲染方法、图像渲染装置、电子设备以及存储介质 | |
CN111260722A (zh) | 车辆定位方法、设备及存储介质 | |
CN112200169B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN114565777A (zh) | 数据处理方法和装置 | |
CN111783609A (zh) | 行人再识别的方法、装置、设备和计算机可读存储介质 | |
CN112541934A (zh) | 一种图像处理方法及装置 | |
CN115423827B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN111310654B (zh) | 一种地图要素的定位方法、装置、电子设备及存储介质 | |
CN113963300B (zh) | 目标检测方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |